瑕疵检测模型、训练方法、检测方法、装置、设备及介质制造方法及图纸

本申请提供一种瑕疵检测模型、训练方法、检测方法、装置、设备及介质，瑕疵检测模型包括：神经网络用于对输入的图片进行特征提取，输出特征图；权重层用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；而权重层为与神经网络输出的特征图的尺寸相同，且矩阵值与神经网络输出的特征图的矩阵值关联变化的矩阵。这样得到的最终特征图中，最终特征图对应的矩阵中最大值所对应的位置即可以大概率为瑕疵在图片中的位置。这样，即在一定程度上实现了在瑕疵检测过程中对瑕疵位置的检测，解决了目前瑕疵检测过程中没有体现出瑕疵在图片中的位置信息的问题。

【技术实现步骤摘要】
瑕疵检测模型、训练方法、检测方法、装置、设备及介质
本申请涉及计算机
，具体而言，涉及一种瑕疵检测模型、训练方法、检测方法、装置、设备及介质。
技术介绍
在工业中，由于原材料、轧制设备和工艺等原因，生产出的工业产品往往不可避免会出现不同类型的瑕疵，而瑕疵的存在不仅影响产品的外观，还会降低产品的耐腐蚀性、耐磨性和疲劳强度等性能，给企业造成巨大的经济损失。因此瑕疵检测一直是工业领域十分关注的问题。分类算法是目前行业内对瑕疵检测的常见方法，通过神经网络来判断产品图片中是否有瑕疵，进而给出“合格”、“不合格”、“待定”等检测结果。但是传统分类的方法仅仅对于图片有一个定性的描述，而没有体现出瑕疵在图片中的位置信息。
技术实现思路
本申请实施例的目的在于提供一种瑕疵检测模型、训练方法、检测方法、装置、设备及介质，用以解决目前瑕疵检测过程中没有体现出瑕疵在图片中的位置信息的问题。本申请实施例提供了一种瑕疵检测模型，包括：神经网络，用于对输入的图片进行特征提取，输出特征图；权重层，用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；所述权重层为与所述神经网络输出的特征图的尺寸相同，且矩阵值与所述神经网络输出的特征图的矩阵值关联变化的矩阵。在上述瑕疵检测模型中，在神经网络之后接入一个权重层，通过权重层来与神经网络输出的特征图点乘，提高神经网络输出的特征图中存在瑕疵的位置的权重。这样得到的最终特征图中，最终特征图对应的矩阵中最大值所对应的位置即可以大概率为瑕疵在图片中的位置。这样，即在一定程度上实现了在瑕疵检测过程中对瑕疵位置的检测，解决了目前瑕疵检测过程中没有体现出瑕疵在图片中的位置信息的问题。本申请实施例还提供了一种瑕疵检测模型的训练方法，包括：使用上述瑕疵检测模型对训练集图片进行处理；所述训练集图片包括无瑕疵训练集图片和有瑕疵训练集图片，所述有瑕疵训练集图片标注有瑕疵位置；将所述瑕疵检测模型输出的各训练集图片对应的最终特征图输入预设的损失函数中；判断所述损失函数的损失值是否收敛；若未收敛，根据所述损失值进行反向传播，更新所述瑕疵检测模型中所述神经网络的参数以及所述权重层的矩阵值，并重复上述过程；若收敛，结束训练，得到训练好的所述瑕疵检测模型。在上述实现过程中，通过无瑕疵训练集图片和标注有瑕疵位置的有瑕疵训练集图片对瑕疵检测模型进行训练，这样可以在有效实现对于进行起分类作用的神经网络的训练的同时，对权重层也进行训练，得到适合的权重层矩阵，从而使得训练得到的瑕疵检测模型得以在实现对图片中是否有瑕疵的准确判断的同时，还可以针对有瑕疵的图片快速得到瑕疵在图片中的位置信息。进一步地，所述损失函数为分类损失函数加上瑕疵位置损失函数。上述训练的瑕疵检测模型包括可实现瑕疵分类的神经网络以及加强瑕疵位置权重的权重层，在上述实现过程中，在通过分类损失函数实现对于图片分类准确性的判定的同时，还通过瑕疵位置损失函数对瑕疵位置确定的准确性也进行判定，进而综合两方面来确定瑕疵检测模型是否需要继续迭代，这就使得训练得到的瑕疵检测模型更为准确、可用。进一步地，所述分类损失函数为交叉熵函数或softmax函数。进一步地，所述瑕疵位置损失函数为：L＝∑n∈N(Tn(p1)-In(p2))2；所述In表征第n张有瑕疵训练集图片，所述Tn表征所述第n张有瑕疵训练集图片对应的最终特征图，所述Tn(p1)为最终特征图对应的矩阵中最大值所在位置；所述In(p2)为有瑕疵训练集图片中标注的瑕疵位置；所述N为有瑕疵训练集图片的总数。在上述实现过程中，通过针对最终特征图中认为是瑕疵的位置来和对应的有瑕疵训练集图片中标注的瑕疵位置进行比对计算，从而得到相应偏差值。理论上，Tn(p1)-In(p2)的绝对值越大，则表明瑕疵检测模型效果越差。本申请实施例还提供了一种瑕疵检测方法，包括：将待检测图片输入至上述瑕疵检测模型中，得到最终特征图；将所述最终特征图输入至预设的分类器中，得到所述待检测图片的分类结果；在所述分类结果为存在瑕疵时，输出所述最终特征图对应的矩阵中最大值所在位置。在上述实现过程中，将待检测图片输入至瑕疵检测模型中得到最终特征图后，即可通过预设的分类器对待检测图片进行分类，确定出待检测图片是否存在瑕疵。而在存在瑕疵时，即可以将最终特征图对应的矩阵中最大值所在位置作为瑕疵位置进行输出，这样就实现了在检测产品是否存在瑕疵的同时，还能确定出瑕疵所在位置，提升了检测效果。本申请实施例还提供了一种瑕疵检测模型的训练装置，包括：第一处理模块、第一输入模块、判断模块以及反向传播模块；所述第一处理模块，用于使用上述瑕疵检测模型对所述训练集图片进行处理；所述训练集图片包括无瑕疵训练集图片和有瑕疵训练集图片，所述有瑕疵训练集图片标注有瑕疵位置；所述第一输入模块，用于将所述瑕疵检测模型输出的各训练集图片对应的最终特征图输入预设的损失函数中；所述判断模块，用于判断所述损失函数的损失值是否收敛，在收敛时，结束训练；所述反向传播模块，用于在未收敛时，根据所述损失值进行反向传播，更新所述瑕疵检测模型中所述神经网络的参数以及所述权重层的矩阵值，并使得所述处理模块、输入模块和判断模块依次重复执行上述过程。在上述实现过程中，通过无瑕疵训练集图片和标注有瑕疵位置的有瑕疵训练集图片对瑕疵检测模型进行训练，在有效实现对于进行起分类作用的神经网络的训练的同时，对权重层也进行训练，得到适合的权重层矩阵，使得训练得到的瑕疵检测模型得以在实现对图片中是否有瑕疵的准确判断的同时，还可以针对有瑕疵的图片快速得到瑕疵在图片中的位置信息。本申请实施例还提供了一种瑕疵检测装置，包括：第二输入模块、第二处理模块和分类模块；所述第二输入模块，用于将待检测图片输入至上述瑕疵检测模型中；所述第二处理模块，用于通过所述瑕疵检测模型得到最终特征图；所述分类模块，用于将所述最终特征图输入至预设的分类器中，得到所述待检测图片的分类结果；所述第二处理模块，还用于在所述分类结果为存在瑕疵时，输出所述最终特征图对应的矩阵中最大值所在位置。上述实现装置，可以实现在检测产品是否存在瑕疵的同时，还能确定出瑕疵所在位置，提升了检测效果。本申请实施例还提供了一种电子设备，包括：数据输入/输出接口、处理器、存储器及通信总线；所述通信总线用于实现所述数据输入/输出接口、处理器和存储器之间的连接通信；所述数据输入/输出接口用于获取训练集图片或获取待检测图片；所述处理器用于执行存储器中存储的一个或者多个程序，以实现上述任一种的瑕疵检测模型的训练方法，或实现上述的瑕疵检测方法。本申请实施例中还提供了一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的瑕疵检测模型的训练方法，或实现上述的瑕疵检测方法。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附本文档来自技高网...

【技术保护点】
1.一种瑕疵检测模型，其特征在于，包括：/n神经网络，用于对输入的图片进行特征提取，输出特征图；/n权重层，用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；/n所述权重层为与所述神经网络输出的特征图的尺寸相同，且矩阵值与所述神经网络输出的特征图的矩阵值关联变化的矩阵。/n

【技术特征摘要】
1.一种瑕疵检测模型，其特征在于，包括：
神经网络，用于对输入的图片进行特征提取，输出特征图；
权重层，用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；
所述权重层为与所述神经网络输出的特征图的尺寸相同，且矩阵值与所述神经网络输出的特征图的矩阵值关联变化的矩阵。


2.一种瑕疵检测模型的训练方法，其特征在于，包括：
使用如权利要求1所述的瑕疵检测模型对训练集图片进行处理；所述训练集图片包括无瑕疵训练集图片和有瑕疵训练集图片，所述有瑕疵训练集图片标注有瑕疵位置；
将所述瑕疵检测模型输出的各训练集图片对应的最终特征图输入预设的损失函数中；
判断所述损失函数的损失值是否收敛；
若未收敛，根据所述损失值进行反向传播，更新所述瑕疵检测模型中所述神经网络的参数以及所述权重层的矩阵值，并重复上述过程；
若收敛，结束训练，得到训练好的所述瑕疵检测模型。


3.如权利要求2所述的训练方法，其特征在于，所述损失函数为分类损失函数加上瑕疵位置损失函数。


4.如权利要求3所述的训练方法，其特征在于，所述分类损失函数为交叉熵函数或softmax函数。


5.如权利要求3或4所述的训练方法，其特征在于，所述瑕疵位置损失函数为：L＝∑n∈N(Tn(p1)-In(p2))2；
所述In表征第n张有瑕疵训练集图片，所述Tn表征所述第n张有瑕疵训练集图片对应的最终特征图，所述Tn(p1)为最终特征图对应的矩阵中最大值所在位置；所述In(p2)为有瑕疵训练集图片中标注的瑕疵位置；所述N为有瑕疵训练集图片的总数。


6.一种瑕疵检测方法，其特征在于，包括：
将待检测图片输入至如权利要求1所述的瑕疵检测模型中，得到最终特征图；
将所述最终特征图输入至预设的分类器中，得到所述待检测图片的分类结果；
在所述分类结果为存在瑕疵时，输出所述最终特征图对应的矩阵中最大值所在...

【专利技术属性】
技术研发人员：张发恩，刘旭，
申请(专利权)人：创新奇智合肥科技有限公司，
类型：发明
国别省市：安徽;34